种法广，温 蜜，田英杰，张 凯

(1. 上海电力大学计算机科学与技术学院，上海 200090；2. 国网上海市电力公司，上海 200122)

1 引言

随着输电线路的不断建设以及电网技术的创新发展，基于机器人和无人机的智能电力巡检技术已经被广泛应用。电力绝缘子是对输电线路起到支撑与绝缘作用的重要电力部件，主要有陶瓷、玻璃和复合绝缘子三种类型，但其长期暴露在野外容易出现故障，一旦出现故障将会严重影响稳定的电能输送[1]。为保障电网稳定运行，对输电线路巡检中故障绝缘子的检测尤为重要，其中绝缘子缺陷则是常见的故障类别之一[2]。通常来说，绝缘子处于森林、房屋、河流和不同天气(如雨、雪、雾)等复杂场景，且出现的缺陷区域较小，给绝缘子缺陷检测带来一定挑战。

目前绝缘子缺陷检测的方法可分为人工巡检、基于机器学习的图像识别技术和基于深度学习的目标检测算法。人工巡检主要通过人工排查绝缘子明显、直观的故障，费时费力，且存在安全隐患。基于机器学习的图像识别技术如局部二值模式特征(Local Binary Pattern，LBP)[3]，方向梯度直方图特征(Histogram of Oriented Gradient，HOG)[4]和Deformable Part Models (DPM)目标检测算法[5]等虽已取得一定的效果，但其主要使用单一特征(如颜色、纹理、形状等)，同时依赖人工提取特征，工作量大，检测效率低。

近年来，一系列深度学习检测算法也相继提出[6]，主要分为以Region Convolutional Neural Networks(R-CNN)[7]，Fast R-CNN[8]，Faster R-CNN[9]和Mask R-CNN[10]等算法为代表的二阶检测器和以You Only Look Once(YOLO)[11]，Single Shot MultiBox Detector(SSD)[12]和YOLOv3[13]等算法为代表的一阶检测器。文献[14]通过搭建卷积神经网络(CNN)定位绝缘子，结合超像素分割等方法对绝缘子进行建模识别缺陷部位。……